Question

我有以下格式的Apache Spark Dataframe

| ID |  groupId  | phaseName |
|----|-----------|-----------|
| 10 | someHash1 | PhaseA    |
| 11 | someHash1 | PhaseB    |
| 12 | someHash1 | PhaseB    |
| 13 | someHash2 | PhaseX    |
| 14 | someHash2 | PhaseY    |

每一行代表一个阶段，该阶段发生在由几个阶段组成的过程中。 ID列表示阶段的连续顺序，groupId列显示哪些阶段属于一起。

我想在数据框中添加一个新列：previousPhaseName。此列应指明以前的同一过程的不同阶段。流程的第一阶段（具有最小ID的阶段）将具有null作为前一阶段。当一个阶段出现两次或更多时，第二个（第三个......）出现将具有相同的previousPhaseName例如：

df = 
| ID |  groupId  | phaseName | prevPhaseName |
|----|-----------|-----------|---------------|
| 10 | someHash1 | PhaseA    | null          |
| 11 | someHash1 | PhaseB    | PhaseA        |
| 12 | someHash1 | PhaseB    | PhaseA        |
| 13 | someHash2 | PhaseX    | null          |
| 14 | someHash2 | PhaseY    | PhaseX        |

我不知道如何实现这一点。我的第一个方法是：

创建第二个空数据框df2
表示df中的每一行：
找到groupId = row.groupId的行，ID＆lt; row.ID和最大ID
将此行添加到df2
加入df1和df2

使用窗口函数的部分解决方案

我使用Window Functions来聚合前一阶段的名称，组中当前阶段的先前出现次数（不一定是连续的）以及当前阶段和先前阶段名称是否相等的信息：

WindowSpec windowSpecPrev = Window
  .partitionBy(df.col("groupId"))
  .orderBy(df.col("ID"));
WindowSpec windowSpecCount = Window
  .partitionBy(df.col("groupId"), df.col("phaseName"))
  .orderBy(df.col("ID"))
  .rowsBetween(Long.MIN_VALUE, 0);

df
  .withColumn("prevPhase", functions.lag("phaseName", 1).over(windowSpecPrev))
  .withColumn("phaseCount", functions.count("phaseId").over(windowSpecCount))
  .withColumn("prevSame", when(col("prevPhase").equalTo(col("phaseName")),1).otherwise(0))

df = 
| ID |  groupId  | phaseName | prevPhase   | phaseCount | prevSame |
|----|-----------|-----------|-------------|------------|----------|
| 10 | someHash1 | PhaseA    | null        |  1         |  0       |
| 11 | someHash1 | PhaseB    | PhaseA      |  1         |  0       |
| 12 | someHash1 | PhaseB    | PhaseB      |  2         |  1       |
| 13 | someHash2 | PhaseX    | null        |  1         |  0       |
| 14 | someHash2 | PhaseY    | PhaseX      |  1         |  0       |

这仍然不是我想要实现的目标，但现在还不够好

进一步的想法

为了获得前一个不同阶段的名称，我看到了三个未经彻底调查的可能性：

实现一个自己的lag函数，该函数不接受偏移但递归检查前一行，直到找到与给定行不同的值。（虽然我不认为它可以在Spark SQL中使用自己的分析窗口函数）
找到一种根据lag的值动态设置phaseCount函数的偏移量的方法。（如果先前出现的相同phaseName没有出现在单个序列中，则可能会失败）
在存储第一个给定输入的ID和phaseName的窗口上使用UserDefinedAggregateFunction，并寻找具有不同phaseName的最高ID。

Answer 1

我能够通过以下方式解决这个问题：

获取（普通）上一阶段。
引入一个新的id，用于对按顺序发生的阶段进行分组。（借助此answer）。这需要两个步骤。首先检查当前和以前的阶段名称是否相等，并相应地分配groupCount值。第二个计算此值的累积总和。
将顺序组第一行的上一阶段分配给其所有成员。

实施

WindowSpec specGroup = Window.partitionBy(col("groupId"))  
                             .orderBy(col("ID"));
WindowSpec specSeqGroupId = Window.partitionBy(col("groupId")) 
                                  .orderBy(col("ID"))
                                  .rowsBetween(Long.MIN_VALUE, 0);
WindowSpec specPrevDiff = Window.partitionBy(col("groupId"), col("seqGroupId"))
                                .orderBy(col("ID"))
                                .rowsBetween(Long.MIN_VALUE, 0);

df.withColumn("prevPhase", coalesce(lag("phaseName", 1).over(specGroup), lit("NO_PREV"))) 
  .withColumn("seqCount", when(col("prevPhase").equalTo(col("phaseName")).or(col("prevPhase").equalTo("NO_PREV")),0).otherwise(1))
  .withColumn("seqGroupId", sum("seqCount").over(specSeqGroupId))
  .withColumn("prevDiff", first("prevPhase").over(specPrevDiff));

结果

df = 
| ID |  groupId  | phaseName | prevPhase | seqCount | seqGroupId | prevDiff |
|----|-----------|-----------|-----------|----------|------------|----------|
| 10 | someHash1 | PhaseA    | NO_PREV   |  0       |  0         | NO_PREV  |
| 11 | someHash1 | PhaseB    | PhaseA    |  1       |  1         | PhaseA   |
| 12 | someHash1 | PhaseB    | PhaseA    |  0       |  1         | PhaseA   |
| 13 | someHash2 | PhaseX    | NO_PREV   |  0       |  0         | NO_PREV  |
| 14 | someHash2 | PhaseY    | PhaseX    |  1       |  1         | PhaseX   |

任何建议，特别是在这些操作的效率方面都表示赞赏。

Answer 2

我猜你可以使用Spark窗口（行框架）功能。查看api文档和以下帖子。

https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html

Apache Spark在Dataframe

使用窗口函数的部分解决方案

进一步的想法

2 个答案:

实施

结果